3DGS-Calib: 3D Gaussian Splatting for Multimodal SpatioTemporal Calibration

要約

信頼性の高いマルチモーダル センサー フュージョン アルゴリズムには、正確な時空間キャリブレーションが必要です。
最近、暗黙的なニューラル表現に基づくターゲットレス キャリブレーション技術が、正確で堅牢な結果を提供することが証明されました。
それにもかかわらず、このような方法は、ボリューム レンダリングに必要な多数のサンプル ポイントによって生じる高い計算オーバーヘッドを考慮すると、本質的にトレーニングに時間がかかります。
最近、暗黙的表現方法に代わる高速な 3D ガウス スプラッティングが導入されたため、この新しいレンダリング アプローチを活用して、より高速なマルチセンサー キャリブレーションを実現することを提案します。
3DGS-Calib を導入します。これは、3D ガウス スプラッティングの速度とレンダリング精度に依存する新しいキャリブレーション方法であり、暗黙的なニューラル表現に依存する方法と比較して、正確かつ堅牢で大幅な高速化を実現するマルチモーダル時空間キャリブレーションを実現します。
広く使用されている運転データセットである KITTI-360 のシーケンスに関する実験結果を用いて、提案の優位性を実証します。

要約(オリジナル)

Reliable multimodal sensor fusion algorithms re- quire accurate spatiotemporal calibration. Recently, targetless calibration techniques based on implicit neural representations have proven to provide precise and robust results. Nevertheless, such methods are inherently slow to train given the high compu- tational overhead caused by the large number of sampled points required for volume rendering. With the recent introduction of 3D Gaussian Splatting as a faster alternative to implicit representation methods, we propose to leverage this new ren- dering approach to achieve faster multi-sensor calibration. We introduce 3DGS-Calib, a new calibration method that relies on the speed and rendering accuracy of 3D Gaussian Splatting to achieve multimodal spatiotemporal calibration that is accurate, robust, and with a substantial speed-up compared to methods relying on implicit neural representations. We demonstrate the superiority of our proposal with experimental results on sequences from KITTI-360, a widely used driving dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google